小样本细粒度（Few-shot Fine-grained,FSFG）图像分类,在实际生活中具有十分重要的现实意义。在生物研究、医疗影像和商品销售等领域具有很好的实用场景和应用潜力。细粒度图像的某些类别中标记良好的样本有限,同时其分类工作需要强大的专业认知能力。这给细粒度图像进行准确的分类带来巨大的挑战。本文基于深度卷积特征的FSFG图像识别研究,旨在有限的训练数据下对细粒度图像进行准确的分类。论文以提高FSFG图像分类的准确率为目标,主要研究内容如下:（1）针对现有模型在特征嵌入映射上存在感受野单一的问题,提出基于金字塔分离双注意力的小样本细粒度图像分类模型（PSDANet）。首先,使用具有不同卷积核大小的分组块作为金字塔分离模块,用于提取和融合细粒度图像不同感受野的多尺度特征信息。其次在获取特征嵌入表示后使用双注意力模块,加强细微且可区分性特征的提取。然后,利用相似性度量模块对支持集和查询集进行相似性度量,获得最终的预测结果。通过实验表明,PSDANet模型与其他模型进行比较,在Birds数据集和Dogs数据集上分类准确率均有较好的提升。（2）针对大多数方法只采用单相似性度量模块进行相似性度量,使得同一类样本在特征空间中分布不紧凑,从而导致分类效果不佳的问题,提出基于双相似性度量的小样本细粒度图像分类模型（DSMNet）。采用4个卷积块作为嵌入模块进行特征提取。将提取的特征通过关系相似性度量模块和余弦相似性度量模块,使得同类样本的特征分布更加紧凑。综合两个度量方式的相似性分数进行分类预测。在5-way 1-shot和5-way 5-shot分类任务上,DSMNet模型和其他模型进行比较,验证了DSMNet模型中双相似性度量模块的有效性,在不同的细粒度图像数据集上都实现了较好的分类结果。